最簡單也是最常見的機器學(xué)習(xí)算法就是分類。對于分類，輸入訓(xùn)練數(shù)據(jù)具有特征和標(biāo)簽。學(xué)習(xí)的本質(zhì)是找到特征和標(biāo)簽之間的映射。這樣，當(dāng)輸入具有特征但沒有標(biāo)簽的未知數(shù)據(jù)時，我們可以通過已有的關(guān)系得到未知數(shù)據(jù)的標(biāo)簽。

無監(jiān)督學(xué)習(xí)(無服務(wù)學(xué)習(xí)):在設(shè)計分類器時，處理未標(biāo)記樣本集的目標(biāo)是，我們不告訴計算機如何做，而是讓它(計算機)自己學(xué)習(xí)如何做某件事。無監(jiān)督學(xué)習(xí)一般有兩種思路。第一種思維方式不是在指導(dǎo)代理人時為他們指定一個明確的分類，而是在他們成功時采用某種形式的激勵制度。需要注意的是，這種訓(xùn)練通常是放在決策問題的框架中，因為它的目標(biāo)不是產(chǎn)生一個分類系統(tǒng)，而是做出回報最大的決策。

一些形式的強化學(xué)習(xí)通?？梢杂糜跓o監(jiān)督學(xué)習(xí)。因為沒有一個必然的途徑去學(xué)習(xí)那些影響世界的行為的所有信息，所以Agent把自己的行為建立在之前的獎懲基礎(chǔ)上。從某種意義上說，所有這些信息都是不必要的，因為通過學(xué)習(xí)激勵函數(shù)，代理人可以清楚地知道做什么，而無需任何處理，因為它知道它采取的每個行動的確切預(yù)期收益。

1。提出了基于深度信任網(wǎng)絡(luò)(DBN)的無監(jiān)督貪婪逐層訓(xùn)練算法，為解決深度結(jié)構(gòu)相關(guān)的優(yōu)化問題帶來了希望，進而提出了多層自動編碼器的深度結(jié)構(gòu)。2.有監(jiān)督學(xué)習(xí)(Supervisedlearning)是機器學(xué)習(xí)中的一種方法，它可以從訓(xùn)練材料中學(xué)習(xí)或建立一個學(xué)習(xí)模型，并根據(jù)這個模型推斷出新的例子。訓(xùn)練數(shù)據(jù)由輸入對象(通常是向量)和預(yù)期輸出組成。

不過個人認(rèn)為兩者的區(qū)別在于無監(jiān)督學(xué)習(xí)一般使用聚類算法對不同的樣本進行分類。4.監(jiān)督學(xué)習(xí)的算法是通過分析已知類別的訓(xùn)練數(shù)據(jù)生成的。無監(jiān)督學(xué)習(xí)的算法主要有主成分分析、等距映射、局部線性嵌入、拉普拉斯特征映射、Hesse局部線性嵌入和局部切空間排列。5).有監(jiān)督的算法:它有一個標(biāo)準(zhǔn)的本體，算法通過學(xué)習(xí)對數(shù)據(jù)進行預(yù)測，從而與本體進行比較。

1。機器學(xué)習(xí)按照方法可以分為四類，分別是:監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)，半監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)。2.對于有標(biāo)簽的數(shù)據(jù)集，監(jiān)督學(xué)習(xí)可以通過學(xué)習(xí)一個模型(其實就是一個函數(shù))來擬合數(shù)據(jù)。根據(jù)模型(函數(shù))的輸出是否離散，可分為兩類:(1)如果輸出離散，則為分類問題(常見的分類算法:KNN、貝葉斯分類器、決策樹、SVM、神經(jīng)網(wǎng)絡(luò)、GBDT、隨機森林等。).

半監(jiān)督現(xiàn)在還是挺流行的。與監(jiān)督相比，它需要較少的訓(xùn)練數(shù)據(jù)；相比無人監(jiān)管，效果更好。而半監(jiān)督似乎很符合人的學(xué)習(xí)風(fēng)格。無監(jiān)督和半監(jiān)督學(xué)習(xí)的區(qū)別在于，一個沒有教學(xué)價值，一個有教學(xué)價值。不過個人認(rèn)為兩者的區(qū)別在于無監(jiān)督學(xué)習(xí)一般使用聚類算法對不同的樣本進行分類。半監(jiān)督學(xué)習(xí)一般利用示教值與實際輸出值之間的誤差，進行誤差反向傳播來修改權(quán)值，完成網(wǎng)絡(luò)校正。

無監(jiān)督學(xué)習(xí):訓(xùn)練樣本的標(biāo)記信息未知。目標(biāo)是通過對未標(biāo)記訓(xùn)練樣本的學(xué)習(xí)，揭示數(shù)據(jù)的內(nèi)在屬性和規(guī)律，為進一步的數(shù)據(jù)分析提供基礎(chǔ)，聚類是研究最多和使用最廣泛的學(xué)習(xí)任務(wù)，其他無監(jiān)督算法包括密度估計和異常檢測。半監(jiān)督學(xué)習(xí)(Semi-supervised learning):訓(xùn)練集既包含已標(biāo)記樣本數(shù)據(jù)，也包含未標(biāo)記樣本數(shù)據(jù)，這樣學(xué)習(xí)者可以自動使用未標(biāo)記樣本來提高學(xué)習(xí)性能，而無需人工干預(yù)。